Databricksプラットフォ，ムで機械學習を展開
オ，プンなレ@ @クハウスアーキテクチャを基盤とする磚のプラットフォームは,機械學習のためのデータの準備や処理を効率化し,チーム間のコラボレーションを支援し,実験から本番までの機械學習ライフサイクルの合理化を可能にします。
.webp)
実験追跡とガバナンスの自動化
マネージドMLflowにより,実験を自動的に追跡し,トレーニング実行ごとのパラメータ,メトリクス,データとコードのバージョン,モデルの成果物を記録できます。実行履歴をすぐに確認でき，結果を比較したり，必要に応じて過去の結果を再現したりすることも可能です。本番環境に最適なモデルのバージョンを特定した後は,モデルレジストリに登録し,展開ライフサイクル全體のハンドオフを簡素化できます。
モデルのラ▪▪フサ▪▪クル全體を動的に管理
トレーニングされたモデルを登録すると,モデルレジストリを使用してモデルのライフサイクルを共同管理できます。モデルのバージョン管理や移動は,実験,ステージング,本番環境,アーカイブなどさまざまな段階で可能です。ライフサイクル管理は,ロールベースのアクセス製禦に従って,承認やガバナンスのワークフローと統合されています。また，コメントやメ，ルの通知機能により，デ，タチ，ムのコラボレ，ション環境が充実します。
Mlモデルの大規模展開を低レ化學鍵テンシで
サバの管理やスケルの製限を気にすることなく，ワンクリックでモデルをデプロできます。磚を使用することで、エンタープライズレベルの高可用性で、モデルを REST API エンドポイントとして任意の場所にデプロイできます。
製品コンポ，ネント
コラボレ，ション型筆記本
磚の筆記本は,Python, R, SQLをネイティブにサポートしており,ユーザーは任意の言語やライブラリを使用できます。気づきの視覚化と共有も容易です。
機械學習のランタ@ @ム
最も一般的な毫升フレームワーク(PyTorch、TensorFlow scikit-learnなど)のスケーラブルかつ信頼性のある分散処理により,事前に構成された毫升最適化クラスタにワンクリックでアクセスできます。このクラスタは，大規模に高性能を実現する最適化を備えています。
特徴量ストア(特色商店)
自動的にログに記録されたデータソースを活用するデータリネージの検索機能で,特徴量の再利用を促進します。クライアントアプリケーションの変更を不要とするシンプルなモデル展開により,トレーニングやサービスに特徴量を活用できます。
AutoML
AutoMLは,グラスボックス的なアプローチによって,機械學習の専門家だけでなく市民データサイエンティストも支援します。すぐに使える高性能なモデルの提供はもとより，専門家による改良が可能なコ，ドの生成もできます。
マネ，ジドMLflow
マネージドMLflowは,毫升ライフサイクルにおいて世界をリードするオープンソースプラットフォームのMLflow上に構築されています。エンタープライズセキュリティ,信頼性,スケーラビリティで,毫升モデルの実験から本番への迅速な移行を支援します。
本番グレ，ドのモデルサ，ビング
サーバレスコンピューティングを活用するオプションを備え,あらゆるスケールのモデルをワンクリックで容易に提供します。
モデル監視
モデルのパフォマンスとそれがビジネス指標に與える影響をリアルタムで監視します。磚は、ソースデータシステムでの修正が必要なモデルに対してもエンドツーエンドの可視性とリネージを提供します。ML ライフサイクル全體にわたるモデルとデータの品質を分析し、問題が発生する前にリスクを特定するのに役立ちます。
リポジトリ
回購は,磚でのGitワークフローを効率化し,自動化されたCI / CDワークフローとコードのポータビリティの活用を可能にします。
